【技术实现步骤摘要】
一种基于径向基神经网络的验证线管控方法和系统
[0001]本专利技术属于工业设备验证线质量保障算法优化领域,更具体地,涉及一种基于径向基神经网络的验证线管控方法和系统。
技术介绍
[0002]近年来,随着现代装备制造技术的快速发展,对装备性能和质量的要求日益严格。在装备制造及相关产业中,质量控制和监测是关键环节。装备验证线质量管控在装备制造过程中发挥着至关重要的作用,它可以实时监控和管理装备的性能、质量等方面,确保装备达到预期的性能指标。因此,应对复杂的生产环境和快速变化的制造工艺,装备验证线质量管控始终是一个至关重要的问题。
[0003]验证线管控方法主要针对装备制造过程中的质量控制和监测,以确保产品达到预定的质量标准。目前,常见的验证线管控方法主要包括以下几种:第一种是基于统计过程控制(Statistical Process Control,简称SPC)的验证线管控方法,主要采用控制图来显示过程中的变化,帮助判断过程是否处于稳定状态;第二种是基于人工神经网络(Artificial Neural Network,简称ANN)的验证线管控方法,是一种模拟生物神经系统的计算模型,具有较强的学习和逼近能力;第三种是基于支持向量机(Support Vector Machine,,简称SVM)的验证线管控方法,在质量管控中可以用于对生产过程中的异常数据进行检测和分类;第四种是基于专家系统的验证线管控方法,是一种基于人类专家知识的智能决策支持工具。可以利用专家的经验和知识,辅助进行故障诊断和过程调整。
[000 ...
【技术保护点】
【技术特征摘要】
1.一种基于径向基神经网络的验证线质量管控方法,其特征在于,包括如下步骤:(1)获取一段时间范围内质量管控验证线上设备的工艺特征数据,对该工艺特征数据进行预处理,以得到预处理后的工艺特征数据。(2)将步骤(1)预处理后的工艺特征数据输入预先训练好的径向基神经网络,以得到最终的质量管控结果。2.根据权利要求1所述的基于径向基神经网络的验证线质量管控方法,其特征在于,工艺特征数据包括工艺设备数据、量测设备数据、环境数据、以及产品数据。步骤(1)首先是对获取的工艺特征数据中取值为负的数据进行删除,然后使用Z
‑
Score标准化方法对删除处理后的所有工艺特征数据进行标准化处理,以得到预处理后的工艺特征数据;其中标准化处理是采用如下公式:其中x
j(i)
表示质量管控验证线上第i个设备的第j个特征,i∈[1,质量管控验证线上设备的总数],j∈[1,质量管控验证线上第i个设备的工艺特征数据中的特征总数],μ
j
为质量管控验证线上第i个设备的工艺特征数据中第j个特征对应所有值的均值,σ
j
为质量管控验证线上第i个设备的工艺特征数据中第j个特征对应的标准差。3.根据权利要求1或2所述的基于径向基神经网络的验证线质量管控方法,其特征在于,径向基神经网络包括依次连接的输入层、隐含层和输出层三个部分。4.根据权利要求1至3中任意一项所述的基于径向基神经网络的验证线质量管控方法,其特征在于,径向基神经网络是通过以下步骤训练得到的:(2
‑
1)获取质量管控验证线数据集,并将该质量管控验证线数据集按照8:2的比例划分为训练集和验证集,分别对训练集和验证集中的每个质量管控验证线数据进行预处理,以得到预处理后的训练集和验证集;(2
‑
2)根据步骤(2
‑
1)预处理后的训练集,并使用粒子群优化算法对径向基神经网络的参数进行优化,以得到优化后的参数。(2
‑
3)从步骤(2
‑
2)优化后的参数构建径向基神经网络模型,并选择径向基函数作为该径向基神经网络的激活函数。(2
‑
4)将步骤(2
‑
3)得到的激活函数输入径向基神经网络模型的输出层,以得到输出结果。(2
‑
5)基于步骤(2
‑
4)的输出结果,并使用梯度下降法对径向基神经网络模型的输出层的权重进行处理,以得到处理后的输出层权重,并得到初步训练好的验证线管控模型。(2
‑
6)使用验证集对步骤(2
‑
5)初步训练好的径向基神经网络模型进行验证,以得到最终训练好的验证线管控模型。5.根据权利要求4所述的基于径向基神经网络的验证线质量管控方法,其特征在于,步骤(2
‑
2)包括以下子步骤:(2
‑2‑
1)设置计数器i=1,设置粒子群中第i个粒子的个体极值Pbest
i
=0,全局极值Gbest=0;其中第i个粒子的个体极值Pbest
i
表示第i个粒子当前搜索到的最优位置,全局
极值Gbest表示整个粒子群当前搜索到的最优位置。(2
‑2‑
2)使用步骤(2
‑
1)预处理后的训练集初始化粒子群,包括群体规模N,第i个粒子的位置x
i
和速度v
i
;(2
‑2‑
3)获取第i个粒子的适应度值Fit
i
:(2
‑2‑
4)判断适应度值Fit
i
是否大于第i个粒子的个体极值Pbest
i
,如果是,则转入步骤(2
‑2‑
5),否则转入步骤(2
‑2‑
6);(2
‑2‑
5)将第i个粒子的个体极值Pbest
i
设置为Fit
i
,然后进入步骤(2
‑2‑
6);(2
‑2‑
6)判断适应度值Fit
i
是否大于全局极值Gbest,如果是,则转入步骤(2
‑2‑
7)。否则,转入步骤(2
‑2‑
8);(2
‑2‑
7)将全局极值Gbest设置为Fit
i
,然后转入步骤(2
‑2‑
8);(2
‑2‑
8)根据第i个粒子的速度v
i
和位置x
i
分别获取该粒子的向量表示x
id
,以及该粒子的飞行速度v
id
,然后进入步骤(2
‑2‑
9):(2
‑2‑
...
【专利技术属性】
技术研发人员:唐卓,邓源,李肯立,程欣威,曹丽婷,刘梦涵,安振宇,唐哲浩,
申请(专利权)人:湖南大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。